提出了一种基于最近邻成分分析（NCA）、L2正则化和随机配置网络（SCNs）的轻量级人类行为识别学习模型。首先，针对人类行为特征集维数高、可分性差的问题，使用NCA从特征集中选择高相关性特征子集；其次，针对SCNs中存在过拟合问题，采用L2正则化方法提高SCNs的泛化能力。同时，利用监督机制约束生成隐层参数的方法大大提高了SCNs模型的亮度。最后，本文提出的NCAL2－SCNs学习模型在UCIHAR特征集公司进行了验证。实验结果表明，与其他模型相比，本文提出的轻量级模型对人类行为识别具有更好的识别精度和更快的建模速度